[发明专利]基于AI算法的SEM图形量测方法

权利要求书

1.一种基于AI算法的SEM图形量测方法，其特征在于包括如下方法：使用AI技术实现SEM图形的量测，提出的AI量测方案由三大模块构成：

一、图像上的标尺刻度识别：采用深度学习技术为最终的量测提供像素单位长度；

二、模板匹配：采用FLANN模板匹配技术对所要量测的部位进行精准定位，并获得局部图像；

三、具体SEM图像的量测：采用二值化、边缘识别等技术对元器件的尺寸进行量测；

深度学习技术我们用的是基于Inception_resnet_v2的SENet方法，简称为SE_Inception_resnet_v2，并采用SMBO(sequential model-based optimization)优化算法对深度学习模型进行优化；

SMBO运用抽样技术和代理模型技术获取适应度函数的最优超参数，算法流程如下：

一、起始超参组合抽样，使用抽样方法在超参数空间抽取n组超参数H；

二、使用H配置适应度函数f，得到对应的模型表现p；

三、构建代理模型M(H,p)；

四、运用获取函数取得下一组超参数H'；

五、估计使用H’配置的适应度函数f的模型表现p'；

六、将(H',p')并入(H,p)中；

七、重复3-6步，直到达到停止条件；

八、获得最优超参数H；

将尺度不变特征变换算法SIFT应用到图像的特征点提取与匹配中，然后利用高维数据的快速最近近邻算法FLANN进行特征匹配，找到图像中准确的匹配点对；

在FLANN特征匹配的基础上，利用Homegraph映射找出已知物体；

利用findHomography函数通过匹配的关键点找出相应的变换矩阵和MASK，变换矩阵即单应性矩阵，再利用warpPerspective函数获得根据单应性矩阵变化后的局部图像；

SIFT(Scale Invariant Feature Transform)算法是由David G.Lowe在基于不变特征的检测方法基础上提出的，对于图像的尺度变换、仿射变换等具有特征不变性；

SIFT算法通过在建立的图像尺度空间中寻找极值点来描述图像特征，进而计算极值点附近的梯度信息得到特征描述向量，最后以特征向量的相似度来判定特征点的匹配，算法主要有以下步骤：

一、建立尺度空间SIFT算法通过利用不同尺度的高斯核函数构造高斯金字塔图像，然后对上下相邻尺度的金字塔图像进行相减，得到差分高斯金字塔(Difference ofGaussian，DOG)图像，DOG算子定义如下：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]·I(x,y)＝L(x,y,kσ)-L(x,y,σ)(1)

式中：L(x,y,σ)＝G(x,y,σ·)I(x,y)，G(x,y,σ)为尺度可变高斯函数，I(x,y)为图像位于(x,y)的像素值；

二、检测关键点在差分金字塔中，将其中每个点与其相邻尺度和上下相邻位置的点进行比对，即检测同尺度的8个相邻点和上下相邻尺度对应的9×2个点共计26个特征点；

若一个点在DOG尺度空间本层以及上下两层的26个邻域中为最大或最小值时，则认为该点为该尺度下的一个特征点；

三、分配关键点方向SIFT算法通过考虑局部特征得到关键点方向，以保证描述符具有方向不变性；

考虑关键点邻域像素的梯度特性，可得到梯度模值和方向如下所示：m(x,y)＝((L(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2)1/2(2)θ(x,y)＝tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)))(3)以关键点为中心确定邻域窗口，统计邻域内像素的方向并形成直方图；

其中，梯度直方图的取值范围为0～360°，每10°为一个柱，共计36个柱，即36个方向；

四、生成特征点描述子以关键点为中心取8×8的正方形小块，在此基础上再分成4×4的正方形块，分别统计其梯度直方图，可以得到8个梯度方向，将其叠加就可以构造一个种子点，共可以构造4个种子点；

这里使用4×4共16个种子点构成一个128维的特征描述子；

最后将特征向量的模长做归一化处理；

该描述子具有尺度、旋转不变性，并消除光照变化等环境因素的影响，在此基础上可进行特征点的匹配。

2.根据权利要求1所述的一种基于AI算法的SEM图形量测方法，其特征在于，该步骤根据Canny边缘检测方法检测的出的边缘点，计算边缘点之间的像素差，然后根据AI模型识别出的标尺刻度求解出SEM图像尺寸，尺寸量测用户需指出所要量测的部位是否到达边缘部位，如果到达边缘部位，SEM图像尺寸则是Canny边缘点到图像边缘的距离；

Canny发现，在不同视觉系统上对边缘检测的要求较为类似，因此，可以实现一种具有广泛应用意义的边缘检测技术，边缘检测的标准包括：

一、以低的错误率检测边缘，也即意味着需要尽可能准确的捕获图像中尽可能多的边缘；

二、检测到的边缘应精确定位在真实边缘的中心；

三、图像中给定的边缘应只被标记一次，并且在可能的情况下，图像的噪声不应产生假的边缘；

为了满足这些要求，Canny使用了变分法；

Canny检测器中的最优函数使用四个指数项的和来描述，它可以由高斯函数的一阶导数来近似；

Canny边缘检测算法的处理流程

Canny边缘检测算法可以分为以下5个步骤：

一、使用高斯滤波器，以平滑图像，滤除噪声；

二、计算图像中每个像素点的梯度强度和方向；

三、应用非极大值(Non-Maximum Suppression)抑制，以消除边缘检测带来的杂散响应；

四、应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘；

五、通过抑制孤立的弱边缘最终完成边缘检测。